Квантовые нейросети программируют свой прогресс.

Источник.

5 июля в Nature Communications было опубликовано прелюбопытнейшее исследование о новом подходе к обучению нейросетей. В нём говорится, что множество учебного материала теперь не столь критично для успешного обучения машин. Правда, это касается только определённых машин и нейронок, но, как говорится, тем интереснее.  

Итак, представьте себе что будет, когда компьютеры смогут разгадывать тайны устройства окружающего нас мира. Вы задаёте вопрос и в ответ получаете теоретическую модель на основе имеющейся базы данных во всех сферах знаний. Например, вам нужен новый материал со специфическими свойствами, истоки которых ‒ вы в этом уверены ‒ таятся в квантовой механике. Вместо бесконечных поисков и многочисленных опытов, вы обратитесь к нейросети, которая смоделирует поведение сложных материалов и динамику их молекул с невероятной точностью.

Новаторское исследование команды учёных Федерального технологического института Лозанны (EPFL), проведённое под руководством профессора Зои Холмс, приближает нас к воплощению в реальность этих радужных перспектив. Тесное сотрудничество с исследователями из Калифорнийского технологического института, Свободного университета Берлина и Лос-Аламосской национальной лаборатории вылилось в новый способ научить квантовый компьютер «понимать» и предсказывать поведение квантовых систем. 

Квантовые нейронные сети (QNN)

Свои усилия исследователи направили на разработку «квантовых нейронных сетей» (QNN). Это такой тип модели глубокого машинного обучения, предназначенный для изучения и обработки информации с использованием принципов квантовой механики для имитации поведения квантовых систем.

Как и ставшие нам уже привычными нейросети, используемые в так называемом искусственном интеллекте, QNN состоят из взаимосвязанных узлов ‒ тех «нейронов», которые выполняют вычисления. Разница в том, что в QNN нейроны работают по принципам квантовой механики, позволяя им обрабатывать и манипулировать квантовой информацией.

«Обычно, когда мы чему-то учим компьютер, нам нужно много примеров, ‒ поясняет профессор Холмс. ‒ Но в этом исследовании мы показываем, что с помощью всего нескольких простых примеров, называемых «состояниями продукта», компьютер может узнать, как ведёт себя квантовая система, даже имея дело с запутанными состояниями, которые более сложны и трудны для понимания».

Состояние продукта

Посредством «состояний продукта», о которых говорит учёный, в концепции квантовой механики описывается особый тип состояния квантовой системы. Например, если квантовая система состоит из двух электронов, то её состояние продукта формируется, когда состояние каждого отдельного электрона рассматривается независимо, а затем комбинируется.

Этот непростой, но детальный подход обеспечивает более простую и управляемую основу для изучения и понимания поведения квантовых систем. Да настолько, что ‒ прежде чем перейти к более сложным и запутанным состояниям, где частицы коррелированы и не могут описываться независимо ‒ эти самые «состояния продукта» частенько используются в качестве отправной точки в квантовых вычислениях и измерениях.

Впереди лучшие квантовые компьютеры

Эксперименты показали, что, с использованием лишь нескольких простых примеров для обучения QNN, компьютеры могут эффективно «понимать» сложную динамику запутанных квантовых систем. Иными словами, изучение поведения квантовых систем посредством квантовых же нейросетей на опять-таки квантовых компьютерах, позволит нам усовершенствовать сами эти компьютеры. 

 «Это означает, что можно изучать и понимать квантовые системы, используя меньшие и более простые компьютеры, такие как компьютеры промежуточного масштаба [NISQ], ‒ поясняет Холмс, ‒ которые мы, вероятно, получим в ближайшие годы, вместо того, чтобы нуждаться в больших и сложных проектах, которые могут быть реализованы через десятилетия».

Работа также открывает новые возможности для использования квантовых компьютеров для решения других важных задач. Например, ‒ того же изучения сложных новых материалов или моделирования поведения молекул, о которых мы говорили в начале.

Наконец, авторы отмечают ещё один немаловажный плюс этого метода: он повышает производительность квантовых компьютеров, позволяя создавать более короткие и более устойчивые к ошибкам программы. То есть программирование квантовых компьютеров может быть значительно упрощено, что приведёт к повышению как их эффективности, так и надёжности. 

«Мы можем сделать квантовые компьютеры ещё лучше, сделав их программы короче и менее подверженными ошибкам», ‒ констатирует профессор Холмс. 

АРМК, по материалам EPFL.